Bridging the Gap: Barriers and Facilitators to Mobile Health Use in Cardiovascular Prevention
Notice bibliographique
Résumé
Abstract Background The persistent burden of cardiovascular diseases (CVDs) underscores the need to improve prevention strategies. Mobile health (mHealth) technologies offer promising solutions to tailor preventive interventions. However, several factors may hinder or accelerate their real-world implementation. This scoping review aimed to map barriers and facilitators to the implementation of mHealth in CVD prevention in the context of a larger project, titled INNOvative personalized cardiovascular disease PREVention in high-risk adults (INNOPREV) (PNRR-MAD-2022-12375795), which aims to evaluate the use of Polygenic Risk Score and digital technologies in personalized cardiovascular prevention in Italy. Methods PubMed and Scopus were searched without geographical or temporal restrictions up to April 2024. Eligible studies reporting evidence on barriers and/or facilitators were analyzed using the Consolidated Framework for Implementation Research (CFIR), enabling their systematic classification across five major domains (intervention characteristics, outer setting, inner setting, characteristics of individuals, and process). Results Out of 2,923 records, 27 articles were considered. Most studies were conducted in the United States (44%) and Canada (15%). Most frequently reported barriers and facilitators were related to intervention and individuals’ characteristics domains. In respect to the intervention characteristics key barriers were technical difficulties and lack of user-friendly design, which might contribute to poor users’ adherence and engagement. For the individuals’ characteristics barriers were linked to gender and racial disparities, socioeconomic status, low digital literacy, and level of physical and psychological distress coming from mHealth use. Conclusions Effective implementation of mHealth in CVD prevention requires careful consideration of the role played by individual factors, as well as by mHealth design and characteristics. Key messages • Successful mHealth implementation in CVD prevention depends on aligning technology with user needs, clinical workflows, and organizational support. • Targeting key barriers and enablers may enhance adoption and impact of mHealth interventions in cardiovascular care.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,033 | 0,108 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».